基于CMAC 的带有未知负载干扰电液位置伺服系统的自学习控制

针对电液伺服系统的特点,提出了基于ＣＭＡＣ神经网络非线性控制的结构和算法。对电液位置伺服系统的动态仿真表明,雇地未知和时变外负载干扰具有明显的抑制作用。     

基于虚拟仪器的无人机舵面负载模拟器

设计与实现了一种基于虚拟仪器的无人机舵面负载模拟器.针对无人机舵面负截模拟器的测试需求,给出了基于虚拟仪器的无人机舵面负载模拟器的基本功能、硬件配置、试验平台搭建、软件设计和系统测试结果.系统的测试结果很好地验证了系统设计的有效性.     

基于神经网络的无人机负载模拟器的复合控制

衡量负载模拟器系统性能的关键指标是多余力矩的抑制。针对无人机负载模拟器系统的非线性及多余力矩强扰动的特点,依据神经网络的非线性逼近和自学习特性,提出了一种基于神经网络和前馈相结合的复合控制器,用来提高系统的性能。复合控制器利用前馈来补偿定常多余力,利用神经网络进行在线辨识、控制来补偿系统的非线性部分,很好地抑制了多余力矩。该文给出了具体的控制结构和算法。仿真结果还表明该方法极大地改善了系统动态加载性能,有很强的鲁棒性。     

舵机电动负载模拟器的建模与仿真

负载模拟器可以模拟飞行器飞行过程中受到的空气力矩,是重要的半实物仿真设备之一。论述了系统的基本组成结构,并建立电动负载模拟器的数学模型,详细分析了多余力矩的产生原因与消除方法以及提高电动负载模拟器的动态性能策略。通过仿真可以看出,提出的复合控制抑制多余力矩的方法,在一定程度上消除了多余力矩,保持了跟踪给定。对现实的研究有一定的参考作用,对电动加载系统的进一步研究有借鉴作用。     

基于迭代学习的电动负载模拟器复合控制

为保证电动负载模拟器力矩精确加载,设计了基于迭代学习控制和舵机位置前馈补偿结合的复合力矩控制器.引入弹性杆结构以提高系统稳定性及加载精度,并从系统响应速度、频宽及稳定性等方面对弹性杆刚度约束进行了分析.建立了控制系统模型,在三闭环结构基础上,引入了舵机位置前馈补偿.为保证正弦负载模拟效果,设计了基于指令力矩幅值和相位修正的迭代学习控制器,并基于P型控制器实现对幅值和相位的迭代学习.最后,分别进行了力矩加载及多余力矩抑制实验,结果证明了该方法的可行性及有效性.     

位置同步补偿克服负载模拟器多余力的实验研究

本文介绍了一种克服多余力的新方法，给出了位置同步补偿克服负载模型器多余力的工作原理，并对多余力进行了实验研究。     

基于CMAC的PID控制在不确定性电液伺服系统中的应用

介绍了CMAC网络的控制原理,给出了CMAC网络与PID复合控制的控制器设计步骤,并将该方法应用到某电液位置伺服系统中.仿真结果表明,该方法能获得良好的跟踪性能,具有一定的鲁棒性,对于抑制并消除系统的不确定性具有良好的控制效果.     

一种基于CMAC的自学习控制器

现有的基于CMAC的自学习控制器能够有效地减小跟踪误差,但是在跟踪连续变化信号如正弦波时,由于累积误差的影响会产生过学习现象,进而导致系统的不稳定.为此,提出一种新的基于CMAC的自学习控制器,它以系统的动态误差作为CMAC的激励信号,从而避免了累积误差的影响.仿真结果表明,该控制器不仅是有效的,而且具有很强的鲁棒性.此外,它可以使用较高的学习速率,实时性强.     

一种基于模糊CMAC神经网络的自学习控制器

通过分析模糊控制和基于广义基函数的ＣＭＡＣ神经网络,提出一种模糊ＣＭＡＣ（ＦＣＭＡＣ）神经网络。通过ＦＣＭＡＣ权系数的在线学习,实现修正模糊逻辑。给出一种基于ＦＣＭＡＣ的自学习控制器的结构及合适的学习算法,这种网络每次学习少量参数,算法简单。仿真结果表明所提出的控制器优于传统的ＰＩＤ控制器。     

电动负载模拟器的重复控制器的设计

通过分析电动负载模拟器的基本结构和工作原理,建立数学模型并且分析了多余力矩产生的机理,提出一种重复控制和PID控制相结合的复合控制策略,利用重复控制改善系统的稳态特性,利用PID控制改善系统的动态特性.仿真结果表明,所采用的方控制方法能够有效地抑制多余力矩,提高了系统的稳态精度和动态性能.     

基于模糊CMAC的移动机器人轨迹跟踪控制

针对受非完整约束的移动机器人的轨迹跟踪问题,提出了一种基于模糊CMAC的轨迹跟踪控制策略。该策略利用模糊CMAC神经网络逼近移动机器人动力学模型的非线性和不确定,同时与速度误差结合起来构成力矩控制器,并用滑模项来补偿不确定性扰动对系统的影响。李亚普诺夫稳定性定理保证了系统的稳定性和跟踪误差的渐近收敛,仿真结果进一步验证了所提方法的有效性。     

一种电子负载模拟器方案设计

为了更加便捷的开展航天器各项大型试验和测试工作,研制了一种电子负载模拟器。电子负载模拟器能够模拟航天器电气系统的压力传感器、电磁阀、自锁阀、温度传感器、火工品等负载的电压和电流信号特性,并完成负载电压的采集和负载通电时间的统计,同时将所有功能模块集成到一个标准机箱中,所有电气信号接口通过若干接插件汇总对外进行连接,各功能模块通过上位机软件进行通信和控制。电子负载模拟器参与了某型号航天器的模飞测试工作,测试数据准确无误且性能稳定,既验证了上游驱动电路的电气匹配特性,又节省了梳理负载电缆和插拔接插件的繁琐性,同时也降低了人员频繁插拔接插件的出错概率。     

The identification of electric load simulator for gun control systems based on variable-structure WNN with adaptive differential evolution

Owing to the complex nonlinearities of the electric load simulator (ELS) for the gun control system (GCS), the surplus torque plays a great negative impact on the performance of the loading system. This paper proposes a variable-structure wavelet-neural-network (VSWNN) identification strategy based on adaptive differential evolution (ADE). First of all, a mathematical model is established based on the structure and the working principle of the ELS. Then an intelligent identification method is applied, where the wavelet function is chosen as the excitation function, which improves the generalization and approximation ability of the neural network. The ADE is used to optimize the parameters, which solves the difficulty of determining the structure of the WNN. In order to reduce the computation complexity and speed up the convergence of the identification system, the adaptive laws of the pitch adjusting rate (PAR), band width (BW) and variable numbers of neurons are proposed. Finally, a pseudo random multilevel signal and a linear frequency modulation signal are chosen as input signals for the hardware-in-the-loop simulation. The test results show that the proposed ADE-VSWNN algorithm has superior validity and practicability, especially when the identification algorithm is used in the working circumstances with different inertial torque. Further, the high precision and strong robustness of the identification algorithm are further verified.     

Improved generalized neuron model for short-term load forecasting

The conventional neural networks consisting of simple neuron models have various drawbacks like large training time for complex problems, huge data requirement to train a non linear complex problems, unknown ANN structure, the relatively larger number of hidden nodes required, problem of local minima etc. To make the Artificial Neural Network more efficient and to overcome the above-mentioned problems the new improved generalized neuron model is proposed in this work. The proposed neuron models have both summation () and product () as aggregation function. The generalized neuron models have flexibility at both the aggregation and activation function level to cope with the non-linearity involved in the type of applications dealt with. The training and testing performance of these models have been compared for Short Term Load Forecasting Problem.     

Improved generalized neuron model for short-term load forecasting

The conventional neural networks consisting of simple neuron models have various drawbacks like large training time for complex problems, huge data requirement to train a non linear complex problems, unknown ANN structure, the relatively larger number of hidden nodes required, problem of local minima etc. To make the Artificial Neural Network more efficient and to overcome the above-mentioned problems the new improved generalized neuron model is proposed in this work. The proposed neuron models have both summation () and product () as aggregation function. The generalized neuron models have flexibility at both the aggregation and activation function level to cope with the non-linearity involved in the type of applications dealt with. The training and testing performance of these models have been compared for Short Term Load Forecasting Problem.     

飞行仿真转台的完全跟踪控制

针对飞行仿真转台中传统插值和前馈方法对系统性能的限制问题,引入了完全跟踪控制策略.论述了飞行仿真转台完全跟踪控制器的设计方法.本文利用多速率采样系统的特性构造转台系统状态传递函数矩阵的精确逆矩阵,从而避免了采用近似逆模型的传统方案以及插值带来的限制,实现完全跟踪.利用鲁棒内回路补偿器理论以及系统动态跟踪误差的解析式分析...